Techniques and tools for cryptocurrency intelligence and blockchain forensics

Abstract

Ved å gruppere flere kryptovaluta-adresser til en bruker basert på informasjon som er tilgjengelig på blokkjeden er anonymiteten for transaksjoner svært sårbar. I denne masteroppgaven undersøker vi eksisterende heuristikker for adressegruppering basert på felles eierskap av input-adresser og på å finne OTC-adresser – adresser generert for å motta vekslepenger i transaksjoner. Vi foreslår nye heuristikker basert på en optimal kombinasjon av eksisterende heuristikker og andre egenskaper, og implementer dem med Cryptoasset Analytics Platform, Python, og MongoDB. Vi bruker to datasett med ekte transaksjoner fra Bitcoin sin blokkjede for å teste heuristikkene. Våre foreslåtte heuristikker er laget med mål om å oppnå tilstrekkelige reduksjonsforhold og unngå falske positive resultater. Dette blir oppnådd ved å bruke strenge krav for hva som definerer en OTC-adresse, og ved å ikke inkludere transaksjoner med egenskaper tilhørende coin mixing transaksjoner.

Cryptoasset Analytics Platform har en innebygget grupperingsmetode. Denne er en standard heuristikk for felles eierskap av input adresser, som inkluderer alle transaksjoner når adressegruppering blir utført. Vår redefinerte felles input eierskap heuristikken kombinert med vår strenge OTC-addresse heuristikk oppnår 71.30% av adressereduksjonsforholdet, men med en utvilsomt lavere forekomst av falsk-positive resultater. De eksperimentelle resultatene argumenterer for at Graphsense burde endre sin adressegrupperingsmetode til vår foreslåtte variant, som gir mer pålitelige resultater.

Vi har også sett på metoder for å gruppere transaksjoner obfuskert av coin mixing strategier, hovedsakelig CoinJoin-transaksjoner. Vår foreslåtte grupperingsheuristikk kan brukes på deltransaksjoner avdekket av å studere summene som overføres i input- og outputverdiene. En metode for å utføre dette er diskutert, men ikke eksperimentert med på grunn av problemets kompleksitet.

Address clustering breaks the pseudonymity of cryptocurrencies by linking multiple addresses controlled by one user to one entity. In this thesis, we analyze existing clustering heuristics based on common-input-ownership and one-time change addresses for Bitcoin transactions. We propose new heuristics based on an optimal combination of properties and implement them with Graphsense Cryptoanalytics platform, Python, and MongoDB on two data sets with real transactions from the Bitcoin blockchain. Our proposed heuristics aim to achieve adequate reduction ratios, while evading false positive results by using strict properties for defining OTC addresses and not including transactions with coin mixing characteristics in the clustering.

Graphsense Cryptoanalytics platform's built-in clustering method is the standard common-input-ownership heuristic which includes all transactions when performing address clustering. Our redefined common-input-ownership heuristic combined with our fairly strict OTC address heuristic achieves 71.30% of the address reduction ratio, but with a definite lower occurrence of false positive results. The experimental results make a strong case for Graphsense to change its address clustering method and switch to our variation, which provides more reliable results.

We also looked into methods for clustering transactions obfuscated by coin mixing strategies, mainly for shared CoinJoin transactions. Our proposed clustering heuristics can be applied to sub-transactions detected by linking the sums of input and output values in CoinJoin transactions. A method for achieving this is discussed, but no experimentation was conducted due to the complexity of the problem.